一种基于多样本特征迁移的长尾图像分类方法及系统

本发明涉及图像分类技术，具体为一种基于多样本特征迁移的长尾图像分类方法及系统。

背景技术：

1、深度学习广泛应用在各种视觉任务中，通常情况下，深度学习模型在大量且分布均匀的数据集上才能表现出良好的效果。而现实中的数据通常呈现长尾分布的形式，这限制了深度学习在长尾数据集上的表现及应用。长尾图像分类的数据集中头类的样本数目最多，尾类的样本数目最少。这样的数据分布在训练过程中会导致模型出现偏差，影响尾类的分类效果。

2、目前，研究人员提出了许多方法解决长尾数据集的样本不平衡问题，包括：类平衡的方法、解耦学习的方法以及多分支模型的方法等。类平衡的方法有重采样和重加权等，重采样和重加权方法虽然可以提高整体分类准确率，但是会存在模型过拟合或某些类别丢失信息的风险；解耦学习的方法可以提高尾部类别的分类性能，但是这种两阶段策略在实践中需要繁杂的超参数调整；多分支模型的存在有助于发掘各个分支之间的互补性，但并不一定能够明显提升单个分支模型的识别性能。因此，在长尾图像分类中，需要进一步探索新的方法来解决尾部类别的分类问题，提升尾部类别的分类准确率同时兼顾整体准确率。

技术实现思路

1、为了解决现有技术所存在的问题，本发明提出了一种基于多样本特征迁移的长尾图像分类方法及系统，通过将头类样本丰富的特征信息融合到尾类样本中，从而增加分类模型对尾类样本的关注，能有效改善长尾数据集的分类效果。

2、本发明所采用的技术方案为：一种基于多样本特征迁移的长尾图像分类方法，包括以下步骤：

3、s1、从分批次输入的长尾数据集的训练样本中提取原始特征；

4、s2、对原始特征进行多样本特征迁移处理；

5、s3、对原始特征进行多样本特征互异处理；

6、s4、根据多样本特征迁移处理得到的输出特征以及多样本特征互异处理得到的互异特征，采用全连接层分类器对样本特征进行训练分类，获得训练预测输出结果；

7、所述长尾图像分类方法通过对原始特征进行多样本特征迁移、互异处理，将长尾图像的头类样本特征信息迁移到尾类样本，使用于对长尾图像进行分类的分类模型的关注得到偏移，并保持对原有头类样本特征信息的关注。

8、本发明实施例中还采用以下技术方案：一种基于多样本特征迁移的长尾图像分类系统，包括以下模块：

9、骨干网络，用于从分批次输入的长尾数据集的训练样本中提取原始特征；

10、多样本特征迁移模块，对原始特征进行多样本特征迁移处理；

11、多样本特征互异模块，对原始特征进行多样本特征互异处理；

12、训练模块，用于根据多样本特征迁移处理得到的输出特征以及多样本特征互异处理得到的互异特征，采用全连接层分类器对样本特征进行训练分类，获得训练预测输出结果；

13、所述长尾图像分类系统通过对原始特征进行多样本特征迁移、互异处理，将长尾图像的头类样本特征信息迁移到尾类样本，使用于对长尾图像进行分类的分类模型的关注得到偏移，并保持对原有头类样本特征信息的关注。

14、相对于现有技术，本发明取得的技术效果包括：

15、本发明通过对样本的原始特征进行操作，将头类样本丰富的特征信息融合到尾类样本中，从而增加模型对尾类样本的关注，提升尾类的分类准确率。此外，本发明可以增大头类样本和尾类样本的类间间距，减少类内间距。

技术特征：

1.一种基于多样本特征迁移的长尾图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的长尾图像分类方法，其特征在于，步骤s2中多样本特征迁移处理的过程，包括以下步骤：

3.根据权利要求2所述的长尾图像分类方法，其特征在于，共享特征的表达式为：

4.根据权利要求2所述的长尾图像分类方法，其特征在于，输出特征的表达式为：

5.根据权利要求1所述的长尾图像分类方法，其特征在于，步骤s3中多样本特征互异处理的过程，首先根据多样本特征迁移所得的相关性分数计算各个样本之间的互异分数；再根据互异分数，生成代表样本之间差异性的互异特征。

6.根据权利要求5所述的长尾图像分类方法，其特征在于，互异特征的表达式为：

7.根据权利要求1所述的长尾图像分类方法，其特征在于，步骤s4中全连接层分类器包括第一训练分类器、第二训练分类器；

8.根据权利要求1所述的长尾图像分类方法，其特征在于，所述长尾图像分类方法还包括步骤：

9.一种基于多样本特征迁移的长尾图像分类系统，其特征在于，包括以下模块：

10.根据权利要求9所述的长尾图像分类系统，其特征在于，多样本特征迁移模块的迁移处理过程，包括：

技术总结本发明涉及图像分类技术，为一种基于多样本特征迁移的长尾图像分类方法及系统，其方法包括步骤：从分批次输入的长尾数据集的训练样本中提取原始特征；对原始特征进行多样本特征迁移处理；对迁移处理后的输出特征进行多样本特征互异处理；根据多样本特征迁移处理得到的输出特征以及互异处理得到的互异特征，采用全连接层分类器对样本特征进行训练分类，获得训练预测输出结果；所述方法通过对原始特征进行多样本特征迁移、互异处理，将长尾图像的头类样本特征信息迁移到尾类样本，使用于对长尾图像进行分类的分类模型的关注得到偏移，并保持对原有头类样本特征信息的关注，能有效改善长尾数据集的分类效果。技术研发人员：杨钊,窦雅梅,曹任龙,王枫,陈志勇受保护的技术使用者：广州大学技术研发日：技术公布日：2025/1/6